3

Estou tentando resolver um exercício no qual foi solicitado uma função com um start e um stop, onde o start deve ocorrer quando encontrar "ATG" e o stop quando encontrar o "TAA", "TAG", "TGA".

Com ajuda dos comentários, consegui ajeitar um pouco o código, porém o stop está limitado a somente ao que eu colocar no s.find(). Gostaria de ajuda para fazer ele procurar por um dos três stop codons proposto no exercício.

Segue o enunciado do exercício que gerou a pergunta:

Faça uma função contacodon em Python que receba uma sequência de letras representando nucleotídeos (e.g., A, C, G, T), verifique se a sequência é válida (i.e. contém somente As, Cs, Gs, e Ts) e retorne com o número de ocorrências de cada codon contando a partir do start codon "ATG" até um dos stop codons, "TAA", "TAG", "TGA"

Exemplo de entrada:

contacodon("AGCGATCGAGATGAGCATCGCATCGCGGACTACCGCGCGCGCGCGCGGGAGATGAGCATCGACGACTCGACTAG")

Saída para a entrada acima:

{
'ATG': 1,
'AGC': 1,
'ATC': 1,
'GCA': 1,
'TCG': 1,
'CGG': 1,
'ACT': 1,
'ACC': 1,
'GCG': 2,
'CGC': 2,
'GGG': 1,
'AGA': 1,
'TGA': 1
} 

Meu código:

def verificar (s):
    s = s.upper()
    for ent in s:
        if not ent in "ACGT":
                return False
    return True
   
while True:
    s = str(input("Entre com a seq: \n")).upper()
    if verificar(s):
        break
    print("Seq inválida")
  
count={}
for i in range(s.find('ATG'),s.rfind('TAA')+1,3):
    codon = s[i:i+3]
    if codon in count:
        count[codon] += 1
    else:
        count[codon] = 1
print('\n', count, '\n',)
12
  • 2
    A sequência que o enunciado passou como exemplo não tem um comprimento múltiplo de três. É isso mesmo? Se sim, a abordagem que você fez (de percorrer a string de três em três) não irá funcionar. Commented 8/06/2021 às 20:58
  • 1
    Se é intencional, Marcelo, como disse, a abordagem para percorrer a string (indo de três em três pelo range) é completamente inválida. Você provavelmente terá que pensar em outra coisa (e, nesse caso, não faremos isso para você aqui, já que não é o objetivo do site). Commented 8/06/2021 às 21:10
  • 1
    Use str.find() para localizar o indice da primeira ocorrência de ATG. Commented 8/06/2021 às 21:16
  • 2
    Sua lógica está quase correta, só que ao invés do seu range começar em zero, deve começar do índice do primeiro codon ATG (que dá pra encontrar usando o método s.find() do seu string de entrada, como o @AugustoVasques comentou). Outra coisa, no range não há necessidade de calcular o final exato da sequência com len(s)-len(s)%3, já que você pega 3 caracteres com slices, e slices nunca dão IndexError.
    – jfaccioni
    Commented 8/06/2021 às 21:27
  • 1
    @jfaccioni ele pode pegar uma fatia s[s.find("ATG"):] e a fragmentar em porções de três caracteres com essa função pt.stackoverflow.com/a/496160/137387 Commented 8/06/2021 às 21:53

2 Respostas 2

3

O código funciona, de modo que irá realizar a contagem a partir do códon ATG até o TAA.

O problema é que existem três stop codons diferentes, e o programa só reconhece o TAA. Veja, o problema está onde você cria o intervalo para as iterações:

range(s.find('ATG'), s.find('TAA') + 1, 3)

Você está basicamente criando um intervalo, que incrementa de três em três, do índice da primeira ocorrência da substring "ATG" até o índice da primeira ocorrência da substring "TAA".

Vejo dois problemas ao especificar um índice final tal como resultado de s.find('TAA'):

  1. Você corre o risco de criar um range que percorre sobre uma sequência com número inválido de códons (pode haver apenas 5 caracteres entre ATG e TAA, por exemplo).
  2. Você não reconhece os outros dois códons de finalização, "TAG" e "TGA".

Para corrigir esses dois problemas, simplesmente não defina um limite superior no range. Simplesmente itere até o comprimento total da string.

Nesse sentido, você pode fazer a verificação do stop codon dentro do próprio laço de repetição, de modo a utilizar a declaração break para interromper as repetições se tiver encontrado um códon de finalização.

Mais ou menos assim:

# Lista de stop codons:
stops = ["TAA", "TAG", "TGA"]

count = {}
for i in range(s.find('ATG'), len(s) + 1, 3):
    codon = s[i: i + 3]
    if codon in count:
        count[codon] += 1
    else:
        count[codon] = 1

    # Se tiver encontrado um stop codon, pare de iterar:
    if codon in stops:
        break
print(count)

Omiti, por brevidade, o restante do código. Veja funcionando no Ideone.

Vale lembrar que, embora funcione com um dicionário comum, o Python oferece outras abordagens melhores para realizar a contagem, tal como a classe Counter, disponível no módulo collections. Veja:

from collections import Counter

stops = ["TAA", "TAG", "TGA"]
count = Counter()
for i in range(seq.find('ATG'), len(seq) + 1, 3):
    codon = seq[i: i + 3]
    count.update([codon])
    if codon in stops:
        break

print(dict(count))

Veja funcionando no Ideone.

Uma outra alternativa é utilizar o defaultdict(int). Embora menos poderoso que o Counter, já torna implícita a inicialização de valores 0 no dicionário, o que é feito manualmente no primeiro exemplo de código. Veja mais sobre eles no SOen.

Vale observar, por fim, que os dois códigos apresentados nesta resposta imprimirão o resultado da contagem mesmo que um stop codon não seja encontrado. Ademais, se o último "códon" dessa string não terminada tiver um ou dois caracteres (e não três, conforme esperado), este também será contabilizado. Para prevenir isso, você pode implementar algum tipo de verificação. Um exemplo é utilizar uma expressão regular, tal como excelentemente demonstrado pela resposta do Augusto Vasques, de modo a invalidar sequências que fogem do padrão esperado. Deixo um outro exemplo no Ideone.

1
  • 1
    Luiz Felipe obrigado pela explicação muito esclarecedora só tenho a agradecer a ajuda Commented 9/06/2021 às 2:51
3

Com o auxilio do módulo nativo re é possível criar uma expressão regular que valide a sua sequencia de nucleotídeos e que separe a porção da sequencia contendo os códons. Com um objeto da classe collection.Counter faça a contagem dos nucleotídeos.

import re
from collections import Counter

pattern = r"^[ACGT]*(?<=ATG)(?P<codons>([ACGT]{3})+?)(?=TAA|TAG|TGA)[ACGT]*$"

#Define a função contacodon(entrada). O parâmetro regex é inicializado na primeira chamada da função e não deve ser utilizado.
def contacodon(entrada, regex= re.compile(pattern)):
  #Verifica se houver correspondência...
  if m:= re.match(regex, s):
      #se houver correspondência separa o grupo contendo os códons e retorna o dicionário contendo a contagem dos códons.
      cdns = m["codons"]                    
      return dict(Counter([cdns[i:i+3] for i in range(0, len(cdns), 3)]))
  else:
      #se não houver correspondência retorna um dicionário vazio.
      return dict()

#s = input("Entre com a seq: \n").upper()
s = "GCGATCGAGATGAGCATCGCATCGCGGACTACCGCGCGCGCGCGCGGGAGATGAGCATCGACGACTCGACTAG"

print(contacodon(s))

Teste o código no Repl.it

A expressão regular ^[ACGT]*(?<=ATG)(?P<codons>([ACGT]{3})+?)(?=TAA|TAG|TGA)[ACGT]*$ pode ser entendida como:

  • ^[ACGT]* a string deve iniciar com zero ou mais caracteres entre A,C,G ou T.
  • (?<=ATG) o grupo(?P<codons>([ACGT]{3})+?) só será capturado se for precedido do start códon ATG.
  • (?P<codons>([ACGT]{3})+?) define o grupo de captura codons que é composto uma ou mais grupos de três caracteres entre A,C,G ou T.
  • (?=TAA|TAG|TGA) o grupo(?P<codons>([ACGT]{3})+?) só será capturado se for sucedido por uma dos stop códons TAA, TAG ou TGA.
  • [ACGT]*$ a string deve terminar com zero ou mais caracteres entre A,C,G ou T.

EDIT
Como informado nos comentários, pelo Luiz Felipe, o mesmo comportamento também pode ser obtido da função contacodon() usando o seguinte padrão de expressão regular:

pattern = r"^[ACGT]*ATG(?P<codons>(?:[ACGT]{3})+)(TAA|TAG|TGA)[ACGT]*$"

onde:

  • ^[ACGT]* a string deve iniciar com zero ou mais caracteres entre A,C,G ou T.
  • ATG corresponda ao start códon ATG.
  • (?P<codons>([ACGT]{3})+?) define o grupo de captura codons que é composto uma ou mais grupos de três caracteres entre A,C,G ou T.
  • (TAA|TAG|TGA) corresponda ao stop códons TAA, TAG ou TGA.
  • [ACGT]*$ a string deve terminar com zero ou mais caracteres entre A,C,G ou T.

EDIT
Outra sugestão relevante de padrão informada nos comentários, pelo HKotsubo:

pattern = "^[ACGT]*?ATG(?P<codons>([ACGT]{3})+?)T(?:A[AG]|GA)[ACGT]*$"
  • ^[ACGT]*? a string deve iniciar com zero ou mais caracteres entre A,C,G ou T.
  • ATG corresponda ao start códon ATG.
  • (?P<codons>([ACGT]{3})+?) define o grupo de captura codons que é composto uma ou mais grupos de três caracteres entre A,C,G ou T.
  • T(?:A[AG]|GA) corresponda ao stop códons TAA, TAG ou TGA.
  • [ACGT]*$ a string deve terminar com zero ou mais caracteres entre A,C,G ou T.
4
  • 2
    Excelente resposta! Só fiquei me perguntando se os lookarounds são realmente necessários por aí. Você acha que uma expressão como ^[ACGT]*ATG(?P<codons>(?:[ACGT]{3})+)(TAA|TAG|TGA)[ACGT]*$ já seria suficiente? Commented 9/06/2021 às 10:27
  • 2
    @LuizFelipe, interessante pergunta. Esse padrão de expressão regular apresenta o mesmo comportamento do padrão acima, vou disponibiliza-lo na resposta. Commented 9/06/2021 às 16:03
  • 3
    Fiz uns testes aqui e pelo menos para a string da pergunta, sem os lookarounds fica um pouco mais rápido (ou "menos lento", mas enfim, se está usando regex, é porque velocidade não é a prioridade :-D - E pra strings pequenas a diferença será irrisória). Enfim, ainda dá pra melhorar um pouco mais: regex101.com/r/ZGpfgi/1 - Claro, não fiz muitos testes, não sei se tem alguma sequência bizarra que dê problema (com regex nunca se sabe), mas a princípio acho que não...
    – hkotsubo
    Commented 9/06/2021 às 17:26
  • 1
    @hkotsubo eu vou subir a sua regex só vou mudar o grupo de captura (?:[ACGT]{3})+?) para (?P<codons>([ACGT]{3})+?) para que possa se encaixar no exemplo. Commented 9/06/2021 às 19:26

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .